前言¶

DeepSeek Harness (DSH) 的引擎依據模型聲明的 inputModalities 對輸入進行路由。純文本模型（不含 image）在消息准入階段會被拒絕，或者收到的圖片字節會被投影爲文本佔位符，導致無法真正處理圖片。

dsh-vision-tool 是一個由 YJLTF 維護的插件，旨在解決這一問題。它通過放寬准入、註冊工具和注入指導，將圖片理解能力委託給用戶配置的一個多模態模型，再把結果交還給主模型。同時，插件具備智能退避機制，當主模型原生支持圖片時，會自動停止干預，保持原生體驗。

核心功能¶

放寬圖片准入：包裝 llm.resolveModelInfo 服務，讓純文本模型接收帶圖消息，但引擎仍按適配器真實元數據處理字節投影。
工具集成：
- understand_image：自動檢查會話中最近的一張圖（典型貼圖場景），或讀取指定路徑的文件。
- list_conversation_images：列出會話中出現的全部圖片供挑選。
智能退避：按模型能力退避，原生支持圖片的模型不受任何影響。
指導注入：自動在系統提示中注入識圖指導，引導主模型結合上下文具體提問。
配置即改即生效：支持 Web 端官方風格的配置卡片，修改配置無需重啓會話。
零運行時依賴：產物約 18 kB，僅依賴宿主提供的 dsh 包與 schemastery。

在目標 dsh 環境中執行以下命令安裝：

dsh plugin --profile <profile> add github:YJLTF/dsh-vision-tool

注意：Git 安裝會拉取源碼並觸發構建。若使用 pnpm ≥ 10，首次安裝可能會失敗，需在 profile 的 pnpm-workspace.yaml 中放行構建授權：

allowBuilds:
  dsh-vision-tool: true

安全提示：放行構建即允許該包代碼在安裝期於本地執行，請僅對可信的包放行，建議釘住 commit 版本。

插件依賴宿主環境配置，需指定視覺模型並提供方。

最小可用配置：

visionProvider: zai-coding-cn
visionModel: glm-5.3-flash

配置項說明：

前置條件：所選的視覺模型必須在 DSH 的模型配置中聲明圖片輸入能力，否則引擎會投影掉圖片字節，導致視覺模型無法識圖：

models:
  - id: <vision-model>
    input: [text, image]   # 必須聲明 image

配置完成後，直接在會話中貼圖提問即可。

貼圖提問：用戶發送一張圖片並附帶具體問題（例如“這張圖裏的代碼有什麼問題？”）。
工具調用：純文本主模型收到圖片佔位符後，根據系統提示中的指導，自主調用 understand_image 工具（不帶 path 時默認檢查最近一張圖）。
結果返回：視覺模型對圖片進行分析並返回文本結果，主模型基於此結果繼續推理。

環境要求：需要 DSH 0.2.0-rc.2 環境（peer 範圍 ^0.2.0-rc.1，@deepseek-ai/cordis ^4.0.1）。
安全風險：Git 安裝時需放行 pnpm 構建，這等同於允許該包在本地執行代碼。
流式中止：工具執行的流式調用支持隨請求中止，取消即中斷。
零依賴：構建產物自包含，天然適合離線分發。